# 2.4. RAG y casos de uso

### 2.4. Introducción a los Agentes y la arquitectura RAG

Hasta ahora hemos "chateado" con la IA. \
Pero para generar valor empresarial, necesitamos **Agentes** que tengan acceso a **tus datos**.

### Diferencia técnica: Chatbot vs. Agente

<table><thead><tr><th width="206.78125">Característica</th><th width="255.2760009765625">Chatbot (ChatGPT Estándar)</th><th>Agente de IA (Lo que construiremos)</th></tr></thead><tbody><tr><td><strong>Conocimiento</strong></td><td>Entrenado con datos públicos hasta 2023.</td><td><strong>Conectado a tu ERP, PDFs y correos en tiempo real.</strong></td></tr><tr><td><strong>Acción</strong></td><td>Solo genera texto (pasivo).</td><td><strong>Ejecuta acciones</strong> (envía correos, crea filas en Excel).</td></tr><tr><td><strong>Alucinación</strong></td><td>Alta (inventa si no sabe).</td><td><strong>Nula / Baja</strong> (se limita a tus documentos con RAG).</td></tr><tr><td><strong>Valor</strong></td><td>Lúdico / Consultivo.</td><td><strong>Operativo /  Transaccional.</strong></td></tr></tbody></table>

***

### El concepto de RAG (Retrieval Augmented Generation)

En la próxima sesión (Sesión 3), implementaremos RAG. Es la técnica que permite a Llama "leer" tus manuales antes de contestar.

### Flujo de Arquitectura RAG

{% stepper %}
{% step %}

#### **Input**

El usuario hace una pregunta. *"¿Cómo se factura a Liverpool?"*
{% endstep %}

{% step %}

#### **Retrieval** (búsqueda)

&#x20;El sistema no va a Llama todavía. Va a tu base de datos de PDFs y busca el documento "Manual de Facturación".
{% endstep %}

{% step %}

#### **Augmentation (aumento)**

El sistema pega la información del manual junto con la pregunta del usuario.
{% endstep %}

{% step %}

#### **Generation (generación)**

Llama recibe todo el contexto y responde con precisión exacta.
{% endstep %}
{% endstepper %}

{% hint style="warning" %}
**POR QUÉ ES IMPORTANTE** Sin RAG, la IA es un consultor genérico. \
Con RAG, la IA es un empleado experto en tu empresa que se ha memorizado todos tus manuales.
{% endhint %}

***

### Tarea crítica para la sesión 3

Para construir el RAG en la siguiente sesión, es **obligatorio** que traigas la materia prima.

#### Checklist de preparación de datos (*data readiness*)

* [ ] **Selecciona un dominio:** Elige un área (ej. ventas, RH, soporte).
* [ ] **Recopila 5 documentos:**
  * Deben ser **PDFs nativos** (con texto seleccionable), no escaneos de imagen.
  * Ejemplos: *Manual de Bienvenida, Catálogo de Precios 2025, Políticas de Viáticos.*
* [ ] **Limpieza:** Asegúrate de que los documentos no tengan contraseñas.<br>

{% hint style="warning" %}
**ADVERTENCIA** Si llegas a la Sesión 3 sin documentos propios, tendrás que usar datos genéricos de prueba y el valor del taller disminuirá drásticamente para ti.
{% endhint %}


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://incmty.gitbook.io/llama/sesion-2/2.4.-rag-y-casos-de-uso.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.